基于仿造变量的脑网络差异识别系统、设备及存储介质

本发明属于脑网络差异分析相关，尤其涉及基于仿造变量的脑网络差异识别系统、设备及存储介质。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、近年神经科学的进展发现人脑是一个连接的网络，大脑各区域之间存在非线性的动态相互关系。静息态功能磁共振成像、脑电图可以非侵入式地测量大脑神经活动。通过定义节点和边构建脑网络，使得网络科学中的方法能够被应用到功能神经数据分析当中。

3、脑网络研究中的一个关键问题是如何寻找群组间的显著连接路径差异，根据几项神经影像学研究表明，患病或健康人群的个体大脑网络结构存在异质性，现有技术利用脑影像数据建立空间协方差矩阵，对脑网络差异的研究大多假设同一群体中的个体具有相同的空间协方差矩阵，然后再基于不同群体的空间协方差矩阵进行脑网络差异识别，从而导致脑网络差异识别不准确的问题。此外，现有大部分基于不同群体的脑影像数据进行脑网络差异识别的方法中，没有考虑fdr即错误发现率控制问题，且不能调整协变量的影响。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了基于仿造变量的脑网络差异识别系统、设备及存储介质，通过不同组中各个体的脑影像数据所对应的空间-时间矩阵进行估计，得到同组个体水平的内脑网络估计，基于不同组中脑网络估计建立脑功能连接矩阵，充分考虑了同组中个体的差异性，提高后续差异识别的准确性。

2、为实现上述目的，本发明的第一个方面提供一种基于仿造变量的脑网络差异识别系统，包括：

3、预处理模块，用于对所获取的实验组各个体的脑影像数据、对照组各个体的脑影像数据分别进行处预处理得到对应的空间-时间矩阵；

4、估计模块，用于分别对实验组各个体之间、对照组各个体之间的空间-时间矩阵进行估计，得到实验组个体间的脑区连接度量、对照组个体间的脑区连接度量，并基于所得到的实验组个体间、对照组个体间的脑区连接度量建立实验组-对照组的脑功能连接矩阵；

5、差异识别模块，用于对所述实验组-对照组的脑功能连接矩阵的边特征进行筛选得到原始设计矩阵，以所述原始设计矩阵以及原始设计矩阵所对应的仿造矩阵为解释变量，建立惩罚回归模型并进行求解，得到实验组和对照组的脑网络差异。

6、本发明的第二个方面提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如下方法：

7、分别对实验组各个体之间、对照组各个体之间的空间-时间矩阵进行估计，得到实验组个体间的脑区连接度量、对照组个体间的脑区连接度量，并基于所得到的实验组个体间、对照组个体间的脑区连接度量建立实验组-对照组的脑功能连接矩阵；

8、对所述实验组-对照组的脑功能连接矩阵的边特征进行筛选得到原始设计矩阵，以所述原始设计矩阵以及原始设计矩阵所对应的仿造矩阵为解释变量，建立惩罚回归模型并进行求解，得到实验组和对照组的脑网络差异。

9、本发明的第四个方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如下方法：

10、分别对实验组各个体之间、对照组各个体之间的空间-时间矩阵进行估计，得到实验组个体间的脑区连接度量、对照组个体间的脑区连接度量，并基于所得到的实验组个体间、对照组个体间的脑区连接度量建立实验组-对照组的脑功能连接矩阵；

11、对所述实验组-对照组的脑功能连接矩阵的边特征进行筛选得到原始设计矩阵，以所述原始设计矩阵以及原始设计矩阵所对应的仿造矩阵为解释变量，建立惩罚回归模型并进行求解，得到实验组和对照组的脑网络差异。

12、以上一个或多个技术方案存在以下有益效果：

13、在本发明中，通过不同组中各个体的脑影像数据所对应的空间-时间矩阵进行估计，得到同组个体水平的内脑网络估计，基于不同组中脑网络估计建立脑功能连接矩阵，充分考虑了同组中个体的差异性，提高后续差异识别的准确性；然后利用原始设计矩阵以及原始设计矩阵对应的仿造变量为解释变量，建立回归模型，仿造变量的引入可实现对错误发现率控制，将脑网络差异识别转化为回归模型中的变量选择问题，可实现借助回归模型调整协变量的影响。

14、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种基于仿造变量的脑网络差异识别系统，其特征在于，包括：

2.如权利要求1所述的一种基于仿造变量的脑网络差异识别系统，其特征在于，所述预处理模块中，对脑影像数据的预处理包括：时间层校正、头动校正和空间标准化。

3.如权利要求1所述的一种基于仿造变量的脑网络差异识别系统，其特征在于，所述估计模块包括：

4.如权利要求3所述的一种基于仿造变量的脑网络差异识别系统，其特征在于，所述空间精度矩阵模块包括：

5.如权利要求1所述的一种基于仿造变量的脑网络差异识别系统，其特征在于，所述差异识别模块包括：

6.如权利要求1所述的一种基于仿造变量的脑网络差异识别系统，其特征在于，所述差异识别模块还包括：

7.如权利要求1所述的一种基于仿造变量的脑网络差异识别系统，其特征在于，所述差异识别模块还包括：

8.如权利要求7所述的一种基于仿造变量的脑网络差异识别系统，其特征在于，所述差异模块包括：中位数模块：用于对所建立的惩罚回归模型进行多次求解系数，建立仿造统计量集合，选择仿造统计量集合中的中位数作为最终的仿造统计量。

9.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如下操作：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如下操作：

技术总结
本发明属于脑网络差异分析技术领域，为了解决现有的脑网络的差异研究大多假设同一群体中的个体具有相同的空间协方差矩阵，所导致的脑网络差异识别不准确的问题，提出了基于仿造变量的脑网络差异识别系统、设备及存储介质，通过不同组中各个体的脑影像数据所对应的空间‑时间矩阵进行估计，得到同组个体水平的内脑网络估计，基于不同组中脑网络估计建立脑功能连接矩阵，充分考虑了同组中个体的差异性，提高后续差异识别的准确性。将脑网络差异识别转化为回归模型中的变量选择问题，借助回归模型可调整协变量的影响。

技术研发人员：季加东,袁中尚,薛付忠,陈昊,侯振东
受保护的技术使用者：山东大学
技术研发日：
技术公布日：2024/1/13